Авторы
- Побединская Татьяна Васильевна
- Заславская Ольга Юрьевна Доктор педагогических наук, профессор
Аннотация
В статье рассматривается применение алгоритмов машинного обучения для прогнозирования успеваемости учащихся основной школы. Сравниваются результаты работы двух алгоритмов машинного обучения и определяются необходимые данные об учащихся, которые целесообразно собрать для получения высокой точности прогнозирования успеваемости. Цель исследования: изучить эффективность использования алгоритмов машинного обучения для решения задачи прогнозирования успеваемости учащихся основной школы. Задачи исследования: собрать данные об учащихся для прогнозирования успеваемости; исследовать практическое применение алгоритмов машинного обучения для решения задачи прогнозирования успеваемости учащихся основной школы. Ведущим методом для решения первой задачи был выбран метод анкетирования. Для решения второй задачи использовался метод эксперимента.
Как ссылаться
Побединская, Т. В. & Заславская, О. Ю. (2022). ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗА УСПЕВАЕМОСТИ УЧАЩИХСЯ ОСНОВНОЙ ШКОЛЫ , 2022, №4 (62), 75. https://doi.org/10.25688/2072-9014.2022.62.4.06
Список литературы
1.
1. Удодова, О. А. (2014). Организация работы со слабоуспевающими и неуспевающими учащимися на уроке. Концепт, 17, 197–204.
2.
2. Гриншкун, В. В. Заславская, О. Ю. (2011). История и перспективы развития программ информатизации образования. Вестник МГПУ. Серия «Информатика и информатизация образования», 21, 5–13.
3.
3. Смолина, Е. М. (2021). Методы интеллектуального анализа данных в задачах оценки качества дистанционного образования. Наука и бизнес: пути развития, 3(117), 72–75.
4.
4. Шухман, А. Е. (2021). Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды. Высшее образование в России, 30(8–9), 125–133.
5.
5. Муханов, Д. А. (2021). Применение машинного обучения для прогнозирования успеваемости учащихся. Студенческая наука Подмосковью. Сборник материалов Международной научной конференции молодых (с. 321–324.). Орехово-Зуево: Гуманитарно-технологический университет.
6.
6. Гу, Ш. (2022). Основные виды и сферы применения машинного обучения. Научный аспект, 3(3), 266–271.
7.
7. Michie, D., Spiegelhalter, D. J., Taylor, C. C. (1994). Machine Learning, Neural and Statistical Classification. Ellis Horwood Series in Artificial Intelligence.
8.
8. Kotsiantis, S., Piarrekeas, C., Pintelas, P. (2007). Predicting Students performance in Distance Learning using Machine Learning Techniques. Applied Artificial Intelligence, 18, 411–426.
9.
9. Romero, C., Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 135–146.
10.
10. Канаш, А. В. (2021). Интеллектуальный анализ данных для построения моделей машинного обучения в образовании. Цифровая трансформация — шаг в будущее. Материалы II Международной научно-практической конференции молодых ученых, посвященной 100-летию Белорусского государственного университета. Минск: Белорусский государственный университет.
11.
11. Хайруллин, А. М. (2020). Машинное обучение как способ решения проблем в сфере образования. Моя профессиональная карьера, 1(15), 102–105.
12.
12. Желябин, Д. В. (2021). Анализ различных моделей машинного обучения при классификации многомерных данных в сфере образования. Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. Сборник научных трудов (с. 166–172). Ульяновск: Ульяновский государственный технический университет.
13.
13. Лысенков, А. С. (2020). Технологии машинного обучения и их применение в образовании. Наука и инновации в XXI веке: актуальные вопросы, открытия и достижения. Сборник статей XVII Международной научно-практической конференции (с. 58–60.). Пенза.